在Spark文档中,我很难找到导致shuffle的操作和不导致shuffle的操作。在这个列表中,哪些会导致洗牌,哪些不会?
映射和筛选不起作用。但是,我不确定其他人。
map(func)
filter(func)
flatMap(func)
mapPartitions(func)
mapPartitionsWithIndex(func)
sample(withReplacement, fraction, seed)
union(otherdataset)
intersection(otherDataset)
distinct([numTasks]))
groupByKey([numTasks])
reduceByKey(func, [numTasks])
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])
sortByKey([ascending], [numTasks])
join(otherDataset, [numTasks])
cogroup(otherDataset, [numTasks])
cartesian(otherDataset)
pipe(command, [envVars])
coalesce(numPartitions)
这可能会有帮助: https://spark.apache.org/docs/latest/programming-guide.html#shuffle-operations
或者这个: http://www.slideshare.net/SparkSummit/dev-ops-training,从幻灯片208开始
从幻灯片209: “使用诸如distinct之类的“numPartitions”的转换可能会洗牌”
事实上,在没有文档的情况下,很容易找到这一点。对于这些函数中的任何一个,只需创建一个RDD并调用调试字符串,下面是一个示例,您可以自己完成其余的工作。
所以正如您所看到的,
distinct
创建了一个shuffle。找出这种方法而不是文档也特别重要,因为在某些情况下,某些函数需要或不需要洗牌。例如,join通常需要一个shuffle,但是如果您连接两个RDD,那么来自同一个RDD的分支spark有时可以省略shuffle。下面是一个操作列表,可能会导致洗牌:
^{}
^{}
^{} :哈希分区
^{} :哈希分区
^{} :哈希分区
^{} :哈希分区
^{} :哈希分区
^{} :哈希分区
^{} :范围分区
^{}
^{} :哈希分区
^{}
^{}
来源:Big Data Analysis with Spark and Scala,用分区优化,Coursera
相关问题 更多 >
编程相关推荐